学习重建: LHC 中 μ子轨迹的可微方法

重建高能碰撞中带电粒子轨迹需要高精度，以确保可靠的事件重建和准确的下游物理分析。特别是,精确的命中点选择和横向动量估计是提高整体解析分辨率所必需的。增强的动量分辨率还可更高效地设置触发阈值,从而在给定的数据采集约束下更有效地选择数据。在本文中,我们引入一种新的端到端跟踪方法,该方法采用可微编程范例将物理先验直接纳入机器学习模型。这导致一个能够同时重建轨迹并准确确定其横向动量的优化管道。该模型将图注意力网络与可微聚类和拟合程序相结合,并使用复合损失函数进行训练,由于其可微设计,允许物理约束有效地通过神经网络和拟合程序进行反向传播。该概念验证表明,在重建过程中引入可微连接可提高整体性能,相较于等效的因式分解和更标准的方法,突显了通过可微编程集成物理信息的潜力。